Servidor MCP (Protocolo de contexto de modelo) de Kaggle

Este repositorio contiene un servidor MCP (Protocolo de Contexto de Modelo) ( server.py ) creado con la biblioteca fastmcp . Interactúa con la API de Kaggle para proporcionar herramientas de búsqueda y descarga de conjuntos de datos, así como un indicador para generar cuadernos EDA.

Estructura del proyecto

• server.py : La aplicación de servidor FastMCP. Define recursos, herramientas y avisos para interactuar con Kaggle.

• .env.example : Un archivo de ejemplo para variables de entorno (credenciales de la API de Kaggle). Renómbrelo a .env y complete sus datos.

• requirements.txt : enumera los paquetes de Python necesarios.

• pyproject.toml y uv.lock : metadatos del proyecto y dependencias bloqueadas para el administrador de paquetes uv .

• datasets/ : Directorio predeterminado donde se almacenarán los conjuntos de datos de Kaggle descargados.

Configuración

1. Clonar el repositorio:

   git clone <repository-url> cd <repository-directory>

2. Crear un entorno virtual (recomendado):

   python -m venv venv source venv/bin/activate # On Windows use `venv\Scripts\activate` # Or use uv: uv venv

3. Instalar dependencias: Usando pip:

   pip install -r requirements.txt

   O usando uv:

   uv sync

4. Configurar las credenciales de la API de Kaggle:

   • Método 1 (recomendado): variables de entorno

     • Crear archivo .env

     • Abra el archivo .env y agregue su nombre de usuario de Kaggle y su clave API:

       KAGGLE_USERNAME=your_kaggle_username KAGGLE_KEY=your_kaggle_api_key

     • Puedes obtener tu clave API desde la página de tu cuenta de Kaggle ( Account > API > Create New API Token ). Esto descargará un archivo kaggle.json con tu nombre de usuario y clave.

   • Método 2: archivo

     • Descargue su archivo kaggle.json desde su cuenta de Kaggle.

     • Coloque el archivo kaggle.json en la ubicación prevista (normalmente ~/.kaggle/kaggle.json en Linux/MacOS o C:\Users\<Your User Name>\.kaggle\kaggle.json en Windows). La biblioteca kaggle detectará automáticamente este archivo si no se configuran las variables de entorno.

Ejecución del servidor

1. Asegúrese de que su entorno virtual esté activo.

2. Ejecute el servidor MCP:

   uv run kaggle-mcp

   El servidor se iniciará y registrará sus recursos, herramientas y avisos. Puede interactuar con él mediante un cliente MCP o herramientas compatibles.

Ejecución del contenedor Docker

1. Configurar las credenciales de la API de Kaggle

Este proyecto requiere credenciales de API de Kaggle para acceder a los conjuntos de datos de Kaggle.

• Vaya a https://www.kaggle.com/settings y haga clic en "Crear nuevo token de API" para descargar su archivo kaggle.json .

• Abra el archivo kaggle.json y copie su nombre de usuario y clave en un nuevo archivo .env en la raíz del proyecto:

2. Construya la imagen de Docker

3. Ejecute el contenedor Docker usando su archivo .env

Esto cargará automáticamente sus credenciales de Kaggle como variables de entorno dentro del contenedor.

Características del servidor

El servidor expone las siguientes capacidades a través del Protocolo de Contexto de Modelo:

Herramientas

• search_kaggle_datasets(query: str) :

  • Busca conjuntos de datos en Kaggle que coincidan con la cadena de consulta proporcionada.

  • Devuelve una lista JSON de los 10 principales conjuntos de datos coincidentes con detalles como referencia, título, cantidad de descargas y fecha de última actualización.

• download_kaggle_dataset(dataset_ref: str, download_path: str | None = None) :

  • Descarga y descomprime archivos para un conjunto de datos específico de Kaggle.

  • dataset_ref : el identificador del conjunto de datos en el formato username/dataset-slug (por ejemplo, kaggle/titanic ).

  • download_path (Opcional): Especifica dónde descargar el conjunto de datos. Si se omite, el valor predeterminado es ./datasets/<dataset_slug>/ <dataset_slug>/, relativo a la ubicación del script del servidor.

Indicaciones

• generate_eda_notebook(dataset_ref: str) :

  • Genera un mensaje de aviso adecuado para que un modelo de IA (como Gemini) cree un cuaderno de análisis de datos exploratorios (EDA) básico para la referencia del conjunto de datos de Kaggle especificado.

  • El mensaje solicita código Python que cubra la carga de datos, las verificaciones de valores faltantes, las visualizaciones y las estadísticas básicas.

Conexión a Claude Desktop

Vaya a Claude > Configuración > Desarrollador > Editar configuración > claude_desktop_config.json para incluir lo siguiente:

Ejemplo de uso

Un agente de IA o un cliente MCP podría interactuar con este servidor de la siguiente manera:

1. Agente: "Busca en Kaggle conjuntos de datos sobre 'enfermedades cardíacas'"

   • El servidor ejecuta

2. Agente: "Descargar el conjunto de datos 'usuario/conjunto-de-datos-de-enfermedades-del-corazón'"

   • El servidor ejecuta

3. Agente: "Generar un mensaje de aviso en el cuaderno EDA para 'usuario/conjunto de datos de enfermedades cardíacas'"

   • El servidor ejecuta

   • El servidor devuelve un mensaje de aviso estructurado.

4. Agente: (envía el mensaje a un modelo generador de código) -> Recibe código Python de EDA.